基于改進(jìn)的形態(tài)學(xué)二次重建蜜蜂蜂王模糊識(shí)別方法

白云飛 張 翔 林 建

(福建農(nóng)林大學(xué)機(jī)電工程學(xué)院 福建 福州 350002)

0 引 言

昆蟲識(shí)別是現(xiàn)階段研究的重點(diǎn),尤其是在植保信息領(lǐng)域,對(duì)病蟲、害蟲的識(shí)別更是研究的熱點(diǎn)[1]。昆蟲自動(dòng)識(shí)別技術(shù)的關(guān)鍵在于利用圖形分割,更好地將昆蟲的個(gè)體與復(fù)雜的背景環(huán)境分離,便于精確地提取昆蟲的特征,提高識(shí)別效率[2]。目前該方面的研究大多是針對(duì)基于昆蟲標(biāo)本以及傳統(tǒng)的昆蟲檢索表而完成的識(shí)別。于新文等[3]提取昆蟲圖像的9項(xiàng)幾何形狀特征,經(jīng)過實(shí)驗(yàn)對(duì)比,其中的6項(xiàng)指標(biāo)能夠適應(yīng)測(cè)量環(huán)境的改變,具有一定的可靠性。張學(xué)慶等[4]為了更好地提取昆蟲的局部特征,引入了數(shù)學(xué)形態(tài)分割法,獲取了昆蟲的足、觸角等局部特征,很好地保留了細(xì)節(jié)的邊緣特征。李小林等[5]利用可區(qū)分CLBP降低了特征矩陣的維數(shù),從而獲得了優(yōu)異的特征識(shí)別指標(biāo),通過KNN算法實(shí)現(xiàn)蛾類昆蟲的識(shí)別。除了以上單方面的局部識(shí)別或整體識(shí)別外,Wen等[6]選取了5種果園害蟲,結(jié)合了以上兩方面特征的提取，進(jìn)一步提高了識(shí)別的準(zhǔn)確性。

蜜蜂也是一種昆蟲,在現(xiàn)代農(nóng)業(yè)發(fā)展過程中具有重要的經(jīng)濟(jì)價(jià)值。蜜蜂養(yǎng)殖中,蜂王是重要的一環(huán),蜂王質(zhì)量的好壞直接影響蜜蜂種群的強(qiáng)弱,因此需要蜂農(nóng)不斷去關(guān)注。現(xiàn)階段,蜂農(nóng)主要是通過肉眼識(shí)別的方式,根據(jù)蜂王在外觀體型上與其他蜜蜂的不同找到蜂王。然而,當(dāng)巢脾上蜜蜂數(shù)量較多時(shí),每次查王都要耗費(fèi)很多時(shí)間,長時(shí)間的人工操作則會(huì)驚擾蜂群。因此,尋找一種快速、準(zhǔn)確查找蜂王的方法就變得十分有意義。目前階段的昆蟲識(shí)別大部分是對(duì)蚜蟲、粉虱、棉鈴蟲、玉米螟等的識(shí)別,而對(duì)蜜蜂和蜂王的自動(dòng)識(shí)別研究相對(duì)較少。由于蜂群中工蜂數(shù)量最多,蜂王數(shù)量最少,只有1只,而雄蜂只在產(chǎn)卵期間才會(huì)出現(xiàn)。為此,在進(jìn)行識(shí)別前,需要對(duì)巢脾進(jìn)行處理,適當(dāng)抖動(dòng)巢脾,驅(qū)趕部分蜜蜂,由于蜂王翅膀接近退化,仍舊會(huì)留在巢脾上,這樣操作的目的是避免蜜蜂重疊的情況出現(xiàn),從而對(duì)后續(xù)的識(shí)別過程造成影響,利用動(dòng)態(tài)掃描方法獲取幾何形狀特征,經(jīng)過模糊推理,完成對(duì)蜂王的初步識(shí)別。

1 方法設(shè)計(jì)

1.1 圖像分析與預(yù)處理

利用數(shù)碼相機(jī)于福建省泉州市南安市碼四蜜蜂養(yǎng)殖場(chǎng)采集圖片,結(jié)果如圖1所示。由于光線不足,圖像部分區(qū)域?qū)Ρ榷炔幻黠@。通過調(diào)整圖像Gamma因子改變圖像灰度的映射方式,增強(qiáng)圖像對(duì)比度,獲得圖像均衡化的結(jié)果如圖2所示。

圖1 蜂場(chǎng)

1.2 改進(jìn)的形態(tài)學(xué)二次重建前景提取方法

讀取待處理灰度圖像,并進(jìn)行形態(tài)學(xué)開操作,消除狹窄的部分,平滑圖像。以腐蝕后得到的圖像為掩膜圖像(Mask),對(duì)經(jīng)過開操作得到的標(biāo)記圖像(Marker)進(jìn)行形態(tài)學(xué)重建。第一次重建后得到圖像雖然濾除掉了部分小波,但仍存在部分無關(guān)極值對(duì)區(qū)域的提取造成影響,故再次對(duì)圖形進(jìn)行形態(tài)學(xué)重建[7]。將第一次重建的圖像進(jìn)行膨脹取反,得到掩膜圖像,利用該掩膜圖像對(duì)膨脹后的重建圖像進(jìn)行第二次形態(tài)學(xué)重建,再取反,得到二次重建的結(jié)果。二次形態(tài)學(xué)重建結(jié)果如圖3所示。

圖3 二次重建結(jié)果

考慮到經(jīng)過未改進(jìn)的二次重建操作之后,獲得的圖像會(huì)產(chǎn)生漂移現(xiàn)象,從而導(dǎo)致待識(shí)別個(gè)體結(jié)構(gòu)發(fā)生改變,影響后續(xù)幾何特征的提取,故提出一種改進(jìn)的二次重建前景個(gè)體識(shí)別的方法。

由于待識(shí)別的個(gè)體處于圖像中灰度值較低的像素區(qū)域,通過提取灰度圖像局部極小值區(qū)域[8-9],利用灰度值相似度大的特點(diǎn),選擇合適的闕值,提取前景對(duì)象[10]。為了減輕圖像平移造成的影響,兩次重建過程中,選取接近待識(shí)別對(duì)象大小的結(jié)構(gòu)元素,經(jīng)過多次實(shí)驗(yàn)對(duì)比后,發(fā)現(xiàn)選取半徑為20的圓形結(jié)構(gòu)時(shí),所獲得的處理結(jié)果比較理想,圖像平移現(xiàn)象有所緩解。

考慮到背景圖像的復(fù)雜性以及噪聲對(duì)識(shí)別結(jié)果的影響,部分待識(shí)別個(gè)體還存在小范圍的粘連現(xiàn)象,這都會(huì)對(duì)識(shí)別結(jié)果造成影響。為了獲取更清晰的圖像,在上述提取方法的基礎(chǔ)上,考慮到局部極小值與周圍像素之間有較大差距的極大值的特點(diǎn),構(gòu)建8連通標(biāo)記算子對(duì)目標(biāo)的極小值點(diǎn)進(jìn)行標(biāo)記。由于局部灰度值大小在前景區(qū)域與背景區(qū)域的邊界發(fā)生了劇烈的變化,因此利用該連通算子可以獲得邊緣輪廓標(biāo)記清晰的目標(biāo)個(gè)體,進(jìn)而標(biāo)記整個(gè)目標(biāo)個(gè)體。對(duì)比未改進(jìn)的結(jié)果與改進(jìn)的標(biāo)記結(jié)果,從圖4(a)和圖4(b)可以看出,經(jīng)過改進(jìn)的標(biāo)記結(jié)果目標(biāo)個(gè)體的邊緣輪廓更為清晰。由于圖像漂移的程度與構(gòu)建的連通算子的維數(shù)有關(guān)。當(dāng)選取的維度太小時(shí),獲得的灰度值會(huì)產(chǎn)生較大的偏差,尤其是在前景區(qū)域和背景區(qū)域的邊界處,灰度值發(fā)生了劇烈的變化,導(dǎo)致部分輪廓點(diǎn)被遺漏,從而得到不封閉的輪廓線。算子的維數(shù)過小還會(huì)導(dǎo)致錯(cuò)匹配,把輪廓線附近的點(diǎn)誤匹配為輪廓點(diǎn),進(jìn)而導(dǎo)致待識(shí)別的前景個(gè)體發(fā)生漂移；而當(dāng)選取的連通算子維數(shù)過大,雖然會(huì)得到更準(zhǔn)確的處理結(jié)果,但是計(jì)算量也會(huì)變大。為了減輕誤識(shí)別和漂移現(xiàn)象,同時(shí)提高處理的速度,選擇合適大小的標(biāo)記算子就變得非常重要。通過多次實(shí)驗(yàn)對(duì)比后發(fā)現(xiàn),當(dāng)利用5×5的8連通算子對(duì)目標(biāo)極小值點(diǎn)進(jìn)行標(biāo)記時(shí),效果最好,輪廓最為完整,待識(shí)別圖像和局部極小值算子如圖5和圖6所示。以該算子為結(jié)構(gòu)元素,依次采取形態(tài)學(xué)關(guān)操作、腐蝕操作和開操作,完成對(duì)圖像的識(shí)別。將提取的前景圖像像素設(shè)置為255,在原圖上標(biāo)記前景圖像。最后,為了增強(qiáng)對(duì)比效果,將前景像素設(shè)為0,標(biāo)記原始圖像,完成對(duì)前景對(duì)象的標(biāo)記,效果如圖4(c)所示。

圖4 前景提取結(jié)果

圖5 待識(shí)別圖像

圖6 局部極小值標(biāo)記算子

1.3 幾何特征提取模板

提取待識(shí)別個(gè)體的幾何特征主要圍繞蜜蜂的軀干部分,二次重建操作獲取的二值圖像結(jié)果如圖7(a)所示,包括觸角和足。考慮到足和觸角與軀干之間存在細(xì)小連通,利用形態(tài)學(xué)開操作,選取3×3的結(jié)構(gòu)元素,將其與軀干分開,獲取僅含有蜜蜂軀干的模版從而獲得更穩(wěn)定的全局形狀特征[4,11],提取結(jié)果如圖7(b)所示。計(jì)算模版中待識(shí)別的蜜蜂個(gè)體數(shù)量為n,分別過濾掉除當(dāng)前識(shí)別個(gè)體以外的其余個(gè)體,獲得n個(gè)僅含有單一完整軀體的模版,利用模版,進(jìn)而提取待識(shí)別個(gè)體軀干部分的二值圖像，如圖7(c)所示。

圖7 特征提取模板

1.4 幾何形狀特征的獲取

經(jīng)驗(yàn)豐富的蜂農(nóng)通過蜂王、工蜂、雄蜂的外形方面的區(qū)別辨識(shí)蜂王。例如：蜂王肚子里含有大量的受精卵,因此腹部比較大,比較長；蜂群中,蜂王的個(gè)體最大,雄蜂次之,工蜂最小,蜂王身體比工蜂長約1/3；蜂王由于軀體較長,翅接近于退化,翅只覆蓋腹部一半，工蜂身材短小,常年飛行,翅寬大,幾乎覆蓋整個(gè)軀體,而雄蜂則是介于兩者之間。但以上的形狀特征都具有模糊性,不同蜜蜂個(gè)體形狀特征具有隨機(jī)性,特征之間存在耦合性,無法利用具體的數(shù)學(xué)公式準(zhǔn)確地從蜂群中推算出蜂王。考慮到每一種幾何特征對(duì)蜂王的識(shí)別都隱含有一定的準(zhǔn)確性,只是概率不同,這種不同可以通過尋找到合適的隸屬函數(shù)表現(xiàn)出來。利用實(shí)驗(yàn)采集的多組幾何特征數(shù)據(jù),歸納總結(jié)出控制規(guī)則表,為生成的每條規(guī)則賦予一個(gè)強(qiáng)度P(t),t為規(guī)則的序號(hào),按照“去小留大”的原則,對(duì)矛盾的規(guī)則進(jìn)行選擇。考慮到選擇的幾何特征既要體現(xiàn)出蜂農(nóng)積累的蜂王識(shí)別的經(jīng)驗(yàn),還要方便測(cè)量,故選取偏心率(長寬比)作為輸入量。偏心率是局部特征,描述了蜜蜂個(gè)體的緊湊程度,是邊界長軸和短軸的比值,能夠粗略地區(qū)分細(xì)長物體和較方正物體。

處理后得到的蜜蜂個(gè)體二值化圖像中,大部分黑色點(diǎn)集代表蜜蜂個(gè)體,利用動(dòng)態(tài)掃描[12]蜜蜂個(gè)體,分別提取每行每列的中點(diǎn)坐標(biāo),放入空白模板中,計(jì)算蜜蜂個(gè)體長短軸近似長度。這種方法可以避免提取蜜蜂圖像時(shí),由于蜜蜂側(cè)臥或者彎曲所導(dǎo)致的長軸測(cè)量偏小的缺點(diǎn)。提取方法步驟如下:

(1) 提取二值圖像中蜜蜂的個(gè)體,進(jìn)行標(biāo)記，在進(jìn)行動(dòng)態(tài)掃描之前,利用模板將其余待識(shí)別個(gè)體和噪聲點(diǎn)過濾掉。

(2) 取兩個(gè)空矩陣Q1和Q2,規(guī)格大小與待識(shí)別圖像一致,記為M×N,設(shè)6個(gè)臨時(shí)變量，k1=k2=m1=m2=n1=n2=0。

(3) 從待識(shí)別圖像的左上角開始由左向右逐行掃描圖像,若當(dāng)前圖像點(diǎn)(i，j)像素值為0,則k1++。完成一行的掃描后,k1值記為該行中黑色像素個(gè)數(shù),與此同時(shí)，m1=k1/2。

(4) 對(duì)步驟(3)像素值再次進(jìn)行掃描,若當(dāng)前圖像點(diǎn)(i，j)像素值為0,則m1--,直到m1=0,停止掃描,記錄當(dāng)前像素點(diǎn)的坐標(biāo)(i，j),并且將標(biāo)記中點(diǎn)數(shù)n1自加1。如果m1==0,n1不變。

(5) 取標(biāo)記好的n1個(gè)點(diǎn)的坐標(biāo),求其任意相鄰兩點(diǎn)距離di,將所有的di求和得到長軸的近似長度。

(6) 再次從待識(shí)別圖像左上角開始識(shí)別,順序?yàn)閺纳系较轮鹆羞M(jìn)行掃描,其余步驟同逐行掃描方法,標(biāo)記結(jié)果如圖8所示。

圖8 蜜蜂點(diǎn)集標(biāo)注

1.5 蜜蜂蜂王模糊識(shí)別系統(tǒng)

模糊系統(tǒng)的出發(fā)點(diǎn)是利用操作者經(jīng)過大量操作實(shí)踐總結(jié)出來的模糊規(guī)則而進(jìn)行控制的方法,相比較統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法它不依賴于精確的數(shù)學(xué)模型,可以通過提取的數(shù)據(jù)信息,利用專家積累的經(jīng)驗(yàn)建立控制規(guī)則。而統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法需要選用適當(dāng)?shù)暮瘮?shù),尤其解決非線性問題時(shí),SVM無法找到一個(gè)通用的合適核函數(shù)進(jìn)行建模。常見的模糊推理算法有兩種,分別為Mamdani型模糊推理算法和Sugeno型模糊推理算法,其中Mamdani型算法使用最為廣泛[13]。本文采用Mamdani型模糊推理算法,利用MATLAB中自帶模糊推理系統(tǒng)的GUI進(jìn)行系統(tǒng)仿真。選用單輸入-單輸出模式完成對(duì)蜂王的識(shí)別。在對(duì)測(cè)得的蜜蜂個(gè)體的離心率(長寬比)t1進(jìn)行模糊化處理后,輸入到模糊系統(tǒng)。根據(jù)測(cè)量數(shù)據(jù)的t1的取值范圍確定模糊論域。考慮到模糊系統(tǒng)具有不錯(cuò)的魯棒性,對(duì)具有不確定性的因子控制效果比較理想。根據(jù)圖像處理后測(cè)量的幾何形狀特征,利用模糊推理得到待識(shí)別個(gè)體是蜂王的概率。

1.5.1定義輸入量、輸出量的模糊分布及隸屬函數(shù)

幾何特征較為穩(wěn)定,方便測(cè)量,不同類型的蜜蜂之間,外形差距較大,可以作為區(qū)分不同種類蜜蜂個(gè)體的因素。而顏色特征相比較于幾何特征,由于環(huán)境的多樣性,會(huì)受到光照變化、光線不足等復(fù)雜背景的影響,具有不穩(wěn)定性,同時(shí)考慮到蜜蜂喜陰喜涼的特性以及蜂巢內(nèi)環(huán)境的復(fù)雜性,利用顏色特征會(huì)降低識(shí)別的正確率。故本文采用幾何特征作為模糊系統(tǒng)的輸入量，根據(jù)模糊系統(tǒng)的輸入變量確定模糊論域,選用五個(gè)模糊子集用于涵蓋輸入量的論域,分別為比值很小(CVS)、比值小(CS)、比值中等(CM)、比值大(CL)、比值很大(CVL)。選用五個(gè)模糊子集涵蓋輸出論域,分別為不是蜂王(NB)、很可能不是蜂王(VNB)、可能是蜂王(PB)、很有可能是蜂王(VB)、是蜂王(B)。隸屬函數(shù)是模糊控制的核心部分,選擇合適的隸屬函數(shù)能夠增強(qiáng)控制效果。為了滿足識(shí)別蜂王的需要,兼顧計(jì)算和處理的簡便性,本文輸入函數(shù)采用近似高斯概率密度函數(shù)通過BA擬合成三角形隸屬函數(shù)[14],輸出函數(shù)采用三角形隸屬函數(shù)。測(cè)量獲取50組蜜蜂的長寬比,確定5個(gè)取值區(qū)間分別對(duì)應(yīng)5個(gè)輸入函數(shù)的模糊子集,計(jì)算每個(gè)區(qū)間的方差和均值如表1所示。

表1 各個(gè)區(qū)間的均值和方差

將測(cè)得的均值和方差分別代入高斯函數(shù),得到不同比值區(qū)間的高斯概率密度函數(shù),借助BA擬合成三角形隸屬函數(shù),如圖9所示。

圖9 函數(shù)結(jié)果

1.5.2模糊推理規(guī)則的確定

根據(jù)輸入的離心率(長寬比)和輸出量蜂王概率,建立模糊系統(tǒng)的模糊規(guī)則。蜜蜂軀體長度與寬度的比值越大,表明蜜蜂的體型更細(xì)長,更接近蜂王的形狀。軀體長度與寬度的比值越小,表明蜜蜂的體型更方正,更接近工蜂或雄蜂的形狀。推理規(guī)則如下：

1) 如果長寬比值為CVS,則待識(shí)別蜜蜂為蜂王的概率為NB;

2) 如果長寬比值為CS,則待識(shí)別蜜蜂為蜂王的概率為VNB;

3) 如果長寬比值為CM,則待識(shí)別蜜蜂為蜂王的概率為PB;

4) 如長寬比值為CL,則待識(shí)別蜜蜂為蜂王的概率為VB;

5) 如果長寬比值為CVL,則待識(shí)別蜜蜂為蜂王的概率為B。

現(xiàn)簡述模糊推理過程,假設(shè)提取的長寬比e=3.6,根據(jù)輸入隸屬函數(shù)可知,取值激活了規(guī)則4)和規(guī)則5),如式(1)和式(2)所示,其中∧為取交集。

R4=CL(x)∧VB(t)

(1)

R5=CVL(x)∧B(t)

(2)

式中：CL(3.6)=0.8；CVL(3.6)=0.1。故P(t)=(0.8VB(t))∪(0.1B(t)),根據(jù)模糊規(guī)則,在輸出隸屬函數(shù)圖像上標(biāo)出結(jié)果,如圖10所示。

圖10 模糊系統(tǒng)輸出結(jié)果

1.5.3輸出量清晰化

由圖10黑色標(biāo)記區(qū)域可以看出,總輸出依舊是個(gè)模糊子集,求得的隸屬函數(shù)是一個(gè)覆蓋在陰影區(qū)間的不規(guī)則形狀。為了得到待識(shí)別個(gè)體為蜂王的概率大小,對(duì)其進(jìn)行F/D處理,常用的模糊量清晰化方法有重心法、最大中間值法、最大均值法[15],考慮到重心法的精度較高,故采用重心法[16]求得最終的輸出值。經(jīng)過計(jì)算,當(dāng)e=3.6時(shí)，p=0.714,即當(dāng)前待識(shí)別個(gè)體有7成概率是蜂王。再選擇一個(gè)合適的概率闕值,將概率高于闕值的個(gè)體進(jìn)行進(jìn)一步識(shí)別。

2 實(shí) 驗(yàn)

2.1 低密度、單一背景下實(shí)驗(yàn)

為驗(yàn)證識(shí)別方法的有效性,采集巢脾上蜜蜂完整個(gè)體圖像,利用本文設(shè)計(jì)蜜蜂識(shí)別方法進(jìn)行識(shí)別,第一次實(shí)驗(yàn)?zāi)繕?biāo)對(duì)象較少,環(huán)境影響因素低,蜜蜂個(gè)體多數(shù)完整,且相互粘連重疊現(xiàn)象較少,因此利用改進(jìn)二次重建方法,運(yùn)用局部極小值算子標(biāo)記前景目標(biāo)方法得到的結(jié)果非常清晰。選取識(shí)別過程中比較具有代表性的結(jié)果進(jìn)行分析,如表1和圖11所示。

表2 低密度、單一背景下實(shí)驗(yàn)結(jié)果

圖11 蜜蜂個(gè)體長短軸點(diǎn)集提取結(jié)果

2.2 高密度、復(fù)雜背景下實(shí)驗(yàn)

為了驗(yàn)證實(shí)驗(yàn)算法的魯棒性,對(duì)算法進(jìn)行進(jìn)一步驗(yàn)證,考慮到巢脾上蜜蜂分布相對(duì)較密,環(huán)境較為復(fù)雜,第二次實(shí)驗(yàn)與第一次實(shí)驗(yàn)相比,擴(kuò)大了圖像采集的面積,待識(shí)別目標(biāo)個(gè)數(shù)較多，目標(biāo)形態(tài)更為復(fù)雜,同時(shí)增加了自然環(huán)境因素和人為因素對(duì)圖像的影響,例如拍攝過程中由于蜜蜂移動(dòng)導(dǎo)致的圖像虛化,以及光線因素導(dǎo)致的待識(shí)別目標(biāo)出現(xiàn)殘缺、局部不完整的情況。自然環(huán)境下獲取的巢脾圖像,實(shí)驗(yàn)?zāi)繕?biāo)是獲取待識(shí)別目標(biāo)完整個(gè)體的二值化圖像,提取長寬比。

實(shí)驗(yàn)步驟與第一次相同,首先進(jìn)行預(yù)處理,利用形態(tài)學(xué)開閉運(yùn)算得到的掩膜圖像和標(biāo)記圖像,連續(xù)兩次進(jìn)行形態(tài)學(xué)重建,對(duì)重建的圖像利用局部極小值算子標(biāo)記前景待識(shí)別蜜蜂個(gè)體,通過標(biāo)記的前景圖像過濾非當(dāng)前識(shí)別個(gè)體,得到當(dāng)前待識(shí)別個(gè)體模板。提取對(duì)象的二值圖像,利用動(dòng)態(tài)掃面提取長軸和短軸所在的點(diǎn)集,計(jì)算長軸、短軸點(diǎn)集的近似長度。由于第一次實(shí)驗(yàn)采集的圖像待識(shí)別個(gè)體較少,目標(biāo)較為分散,圖像背景較為單一,因此前景標(biāo)記的作用不是很明顯,但是在第二次實(shí)驗(yàn)中,利用局部極小值算子提取的目標(biāo)區(qū)域能夠很好地降低對(duì)目標(biāo)圖像的提取,如圖12(c)所示。在拍攝到完整個(gè)體的前提下,能夠?qū)?duì)象的完整個(gè)體識(shí)別出來，細(xì)節(jié)部分例如足和觸角,也能識(shí)別出來,得到解識(shí)別目標(biāo)二值圖像邊緣不平滑,利用形態(tài)學(xué)膨脹獲取邊緣平滑的模板,結(jié)果如圖12(f)所示,目標(biāo)提取模板可以提取僅含有軀干部分的蜂體。圖12(c)中由于拍攝時(shí)背景出現(xiàn)虛化,導(dǎo)致部分模糊對(duì)象無法進(jìn)行標(biāo)記和提取,但清晰的目標(biāo)大部分都被提取出來,進(jìn)行接下來的幾何特征的提取,將提取的長寬比代入建立的模糊系統(tǒng)中,最終利用總結(jié)的模糊規(guī)則得出識(shí)別的結(jié)果。實(shí)驗(yàn)結(jié)果如表3所示。

圖12 實(shí)驗(yàn)結(jié)果

表3 高密度、復(fù)雜背景下實(shí)驗(yàn)結(jié)果

兩次實(shí)驗(yàn)識(shí)別準(zhǔn)確率分別達(dá)到88.8%和84.6%，與經(jīng)驗(yàn)豐富的蜂農(nóng)通過肉眼識(shí)別的結(jié)果比較接近,形態(tài)學(xué)二次重建后得到的識(shí)別圖像更是大大減少噪聲以及無關(guān)小波對(duì)待識(shí)別個(gè)體圖像分割造成的影響,從而獲得完整的特征圖像并提取到準(zhǔn)確的幾何形狀特征,保證識(shí)別的準(zhǔn)確性。因此通過機(jī)器視覺和模糊推理的方法可以初步將可能是蜂王的個(gè)體篩選出來,通過二次識(shí)別,可將蜂王準(zhǔn)確地識(shí)別出來,大大減少工作量,具有一定的可行性。

3 結(jié) 語

蜂箱中采集的巢脾圖像經(jīng)過形態(tài)學(xué)的二次重建操作后,利用5×5的8連通的局部極小值算子標(biāo)記前景區(qū)域,得到邊緣清晰的二值圖像,經(jīng)過形態(tài)學(xué)腐蝕,除去圖像細(xì)長尖端部分,得到蜜蜂軀干部分的模板,利用模版提取帶識(shí)別個(gè)體的軀干部分,以動(dòng)態(tài)掃描的方式監(jiān)測(cè)長軸和短軸所在的點(diǎn)集,提取離心率。以離心率為輸入,建立模糊推理系統(tǒng),總結(jié)出5條模糊規(guī)則,初步識(shí)別蜂王,可以大大減輕識(shí)別蜂王的工作量。實(shí)驗(yàn)結(jié)果表明,該方法在蜜蜂沒有重疊情況下具有良好的識(shí)別效果,但是當(dāng)蜜蜂出現(xiàn)重疊時(shí),蜜蜂之間的粘連會(huì)給后續(xù)的幾何形狀特征的提取造成影響,使測(cè)量結(jié)果偏大,同時(shí),部分蜜蜂的翅膀顏色偏深,也會(huì)對(duì)軀干的提取造成影響。本文的蜂王識(shí)別方法可以將蜂王初步從蜂群中識(shí)別出來,對(duì)于重疊出現(xiàn)的粘連現(xiàn)象以及翅膀顏色過深的影響還有待進(jìn)一步研究。